大多数开发者用AI编程的方式，在复杂项目中往往会导致代码质量下降和维护困难。这篇文章分享了一套经过9个月实践验证的三阶段工作流，通过深度研究、精心规划和结构化执行，不仅显著提升了代码质量，还大幅降低了Token消耗和开发时间。
智能速览
传统AI编程模式在复杂项目中容易导致代码崩溃
三阶段工作流：研究→规划→实施，Token节省60%以上
深度研究阶段让AI真正理解现有代码库结构
注释循环是注入人类判断的关键环节
单个长会话保持完整上下文，避免信息丢失
新方法实现66% Token节省和37.5%时间节省
精华内容
AI编程的真正价值不在于快速输出代码，而在于深入理解系统、提出方案、根据反馈调整并执行确定计划的能力。这套工作流正是为了充分利用AI这些超能力而设计的。
传统模式的问题
大多数开发者使用AI编程的方式存在根本性问题：快速输出→快速修复→快速重写的循环。这种模式看起来高效，实则在原地踏步。代码在隔离中看似完美，放入真实系统就破裂，比如忽视现有缓存层导致数据一致性崩溃，或数据库迁移不符合ORM约定。这些隐蔽错误成本最高，往往在生产环境才暴露，导致项目越来越难维护。
内置的"计划模式"也无法解决根本问题。计划不可编辑、不持久、缺乏细粒度控制，最终还是回到修复生成代码的老路。
深度研究阶段
这是最容易跳过但最关键的阶段。要求Claude深入理解代码库某部分，并产出详细的research.md报告。关键是用"deeply"、"in great details"等词汇，避免AI只做表面理解。
为什么必须是文件而不是对话摘要？因为需要审查面。读research.md可以验证AI是否真正理解系统，防止"垃圾进，垃圾出"。这个阶段通常耗费3K tokens，但能省下后面数倍的token成本。每次都会发现系统新特点或需要纠正的误解。
规划与注释循环
研究完成后，要求AI写出包含实现方法、代码片段、文件路径和权衡考量的详细计划.md。最关键的是使用自己的markdown文件，而非内置计划模式，这样可以完全控制。
注释循环是整个流程最强大的部分：AI写出计划→在编辑器中添加内联注释→发回AI更新→重复直到完美。Markdown作为共享可变状态，允许在问题确切位置写下纠正，而不是线性聊天。三轮注释就能把通用方案转变成完美适配系统的计划。这是注入人类判断和专业知识的关键环节。
机械执行阶段
计划完美后，下达单一执行指令：“implement it all”。这个提示编码了所有重要要求：标记进度、不停顿、保持类型安全、持续类型检查。
实现阶段，角色从架构师变成监督者，提示变得极简：“wider”、“still cropped”、“move it to admin app”。AI已有完整计划和上下文，简洁纠正就足够。UI问题直接附加截图，比描述快10倍。
如果方向错误，不要修补，而是撤回并重新确定范围。撤回后缩小范围总是比增量修复产生更好结果。
控制权与决策
即使委托执行，从不给AI完全自治权。在plan.md文件中做主动引导，包括：精选建议（“只用Promise.all，别搞复杂”）、修剪范围（“移除下载功能”）、保护接口（“函数签名不应改变”）、覆盖技术选择（“用这个库的内置方法”）。
分工明确：AI处理机械执行，人类做判断调用。计划捕捉大决策，选择性引导处理实现中的小决策。这确保了技术正确性同时符合项目需求和工程文化。
实际效果对比
新方法相比传统模式有显著改善：Token消耗从50K降至17K（节省66%），开发时间从4小时降至2.5小时（节省37.5%），代码质量从⭐⭐⭐提升至⭐⭐⭐⭐⭐，技术债从高变为低。
关键改进在于：防止了"隔离中对，系统中错"的问题；决策权牢牢掌握在手中；创建了可审查可编辑的工件；利用了AI最擅长的代码理解能力；让实现变成无聊的执行而非创意工作。
所有这些改进最终转化为更低的API账单、更快的功能上线、更少的bug、更健康的系统和更容易维护的代码库。
这套三阶段工作流的核心是把思考和打字分开，让AI做它最擅长的事，人类做最关键的决策。前期投入在研究和规划上，后期节省的时间和成本远超预期。如果你还在使用"写提示→修复错误→重写"的循环，不妨试试这个方法，一个月后你会想知道怎么没早点开始使用。
